What awaits you in this course?
Der Kurs vermittelt ein
grundlegendes Verständnis darüber, welche Arten der Künstlichen
Intelligenz es gibt und wann welche Art genutzt wird.
Der
Schwerpunkt liegt dabei auf der Beschreibung neuronaler Netze und ihrer
Wirkungsweise. Es wird erläutert, welche Vor- und Nachteile neuronale
Netze haben und welche Arten von neuronalen Netzen wann sinnvoll sind.
Abschließend
erhältst du die Möglichkeit, ein eigenes neuronales Netz in einem
ersten Entwurf selbst zu erstellen und zu überprüfen.
Programmierkenntnisse sind dafür nicht erforderlich!
Outline
Kapitel 1: Big Data
1.1 Big Data und alles was möglich ist
1.2 Klassifikation vs. Regression
1.3 Überwachte und unüberwachte Verfahren
1.4 Semi-supervised Learning
1.5 Fehlerminimierung
1.6 Overfitting
1.7 Abstandsmaße
1.8 Ein Beispieldatum
Kapitel 2: Der EM-Algorithmus
2.1 Der EM-Algorithmus
2.2 Evolutionäre Algorithmen
2.3 Reinforcement Learning
Kapitel 3: Neuronale Netze
3.1 Neuronale Netze
3.2 Warum erst seit 2009?
3.3 Modell eines neuronalen Netzes
3.4 Workflow
3.5 Errorfunktion
3.6 Berechnung innerhalb eines Neurons
3.7 Aktivierungsfunktionen
3.8 Batches und Epochen
3.9 Lernraten
Kapitel 4: Tiefe Neuronale Netze
4.1 Tiefe Neuronale Netze
4.2 ConvolutionalNeuronal Networks
4.3 Rekurrente Neuronale Netze
4.4 Long Short-Term Memory
4.5 Auto-Encoder
4.6 Generative Adversarial Networks
4.7 Tatsächliche Architekturen
4.8 Spiking Neural Networks
Kapitel 5: Deep Learning Studio Installation
5.1 Deep Learning Installation
5.2 Das Deep Learning Studio - Ein erstes Projekt und der Workflow des DLS
5.3 Datenvorbereitung für das eigene Projekt
5.4 Das neuronale Netz für Pneumonie Diagnose